应使用专用断言函数：NumPy用np.testing.assert_array_equal（报首处差异、容浮点误差、NaN视为相等），Pandas用pd.testing.assert_series_equal/frame_equal，纯Python列表用DeepDiff；避免原生assert导致的模糊错误或静默失败。
pytest里怎么让数组对比失败时显示具体差异
默认用 assert arr1 == arr2 对比 NumPy 数组或大型列表，出错只报 AssertionError，不告诉你哪几个索引值不同。根本没法调试。
必须换用支持结构化比对的断言工具：
- NumPy 用户优先用
np.testing.assert_array_equal，它会打印第一个不等位置和对应值 - Pandas 用户用
pd.testing.assert_series_equal或pd.testing.assert_frame_equal，自动高亮行列差异 - 纯 Python 列表/嵌套结构，用
pytest-asyncio不管用——得靠deepdiff.DeepDiff，但它是第三方依赖，要额外装
别直接用 assert list1 == list2，尤其当元素是浮点数时，精度误差会让断言静默失败（比如 0.1 + 0.2 != 0.3）。
为什么 assert_array_equal 比原生 assert 更可靠
原生 == 在 NumPy 里返回的是布尔数组，不是单个 True/False，直接用于 assert 会触发 ValueError: The truth value of an array with more than one element is ambiguous。
立即学习“Python免费学习笔记（深入）”；
np.testing.assert_array_equal 内部做了三件事：
- 先检查形状是否一致，不一致立刻报错并指出 shape 差异
- 再逐元素比对，对浮点数默认用
rtol=1e-07, atol=1e-08容差判断相等 - 一旦发现不等，立刻停在第一个差异点，输出类似
Arrays are not equal (mismatch 1.0%)+ 错误索引和左右值
注意：它不递归检查 dtype，如果一个是 int32、一个是 int64，可能被当作“相等”放过——需要显式加 strict=True 参数（NumPy ≥ 1.25）。
测试含 NaN 的数组时容易踩的坑
NaN 和任何值（包括自身）用 == 都是 False，所以 np.array([1, np.nan]) == np.array([1, np.nan]) 返回 [True, False]，导致原生 assert 行为不可控。
assert_array_equal 默认把 NaN 当作相等处理（符合 IEEE 754 语义），但如果你的业务逻辑要求区分 “NaN 来源”，就得手动预处理：
- 用
np.isnan()单独校验 NaN 位置是否一致 - 或改用
np.testing.assert_array_almost_equal，它对 NaN 更严格 - 避免在测试数据里混用
float('nan')和np.nan，二者在某些版本 NumPy 中行为不一致
另外，Pandas 的 assert_series_equal 默认 check_exact=False，也会跳过 NaN 比较——如需严格匹配，记得传 check_like=True 和 check_names=False（避免 index name 干扰）。
大数组测试慢？试试提前裁剪 + 分块验证
一个 1000×1000 的数组全量比对可能耗几百毫秒，CI 上拖慢整体测试速度。没必要每次都跑全量。
实用策略：
- 先快速检查
arr1.shape == arr2.shape和arr1.dtype == arr2.dtype，不等直接 fail - 对超大数组（> 10⁵ 元素），只比前 1000 个 + 后 1000 个：用
arr1.flat[:1000]和arr1.flat[-1000:]提取视图，零拷贝 - 用
np.array_equal(arr1, arr2, equal_nan=True)做快速布尔判断（不报错），再按需调用assert_array_equal定位问题
别在测试里用 np.allclose 替代断言——它只返回 True/False，出错没上下文。真要用，得自己包一层，捕获 False 后再手动 dump 差异。
